Cost-constrained feature selection using gradient boosting decision tree

Tianyu Cheng

doi:10.1016/j.engappai.2025.112751

Cost-constrained feature selection using gradient boosting decision tree

2025-10-17

0

PRE

AI

DOI：10.1016/j.engappai.2025.112751

原文链接

原文求助

摘要

En 中文

数据在信用卡欺诈检测中日益普及，虽然提供了更有价值的洞察，但也导致了更高的数据获取成本。大多数现有的特征选择方法忽略了这些成本，通常在预算约束下导致次优结果。为解决此问题，本文将成本约束下的特征选择表述为非线性优化问题，并提出了一种基于梯度提升决策树（GBDTCF）的特征选择方法。GBDTCF选择一组特征，在最小化预测误差的同时，保持在预定义的成本预算内。此外，开发了一种自适应算法，以动态平衡模型性能和特征成本。在两个公开的信用卡欺诈检测数据集上的广泛实验表明，GBDTCF始终优于三种现有的成本约束方法和两种忽略特征成本的传统特征选择方法。具体而言，它在不同数据集和预算水平下实现了最佳的整体平均排名。这些发现强调了GBDTCF在平衡预测精度和经济可行性方面的有效性，为成本约束下的欺诈检测策略提供了有价值的见解。

Cost-constrained feature selection using gradient boosting decision tree

摘要

期刊

机构

引用论文